https://www.chenk.top/zh/categories/%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F/Recent content in 推荐系统 on Chen Kai BlogHugozh-CNThu, 15 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/16-%E5%B7%A5%E4%B8%9A%E7%BA%A7%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%9C%80%E4%BD%B3%E5%AE%9E%E8%B7%B5/Thu, 15 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/16-%E5%B7%A5%E4%B8%9A%E7%BA%A7%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%9C%80%E4%BD%B3%E5%AE%9E%E8%B7%B5/<p>工业级推荐系统最难的部分不是模型，而是围绕模型的系统——防止训练和线上服务偏差的特征存储、在问题影响上亿用户前拦截回归的金丝雀发布、在 100 毫秒 p95 延迟预算内串联运行四个机器学习模型的编排机制。作为本系列的收官之作，本文将深入剖析各大科技公司最终采用的架构，并揭示每一层设计背后的权衡取舍。</p>https://www.chenk.top/zh/recommendation-systems/15-%E5%AE%9E%E6%97%B6%E6%8E%A8%E8%8D%90%E4%B8%8E%E5%9C%A8%E7%BA%BF%E5%AD%A6%E4%B9%A0/Mon, 12 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/15-%E5%AE%9E%E6%97%B6%E6%8E%A8%E8%8D%90%E4%B8%8E%E5%9C%A8%E7%BA%BF%E5%AD%A6%E4%B9%A0/<p>用户在 14:02 打开 App 搜索「越野跑鞋」，到了 15:30 已经开始浏览厨房用品的评测；如果模型还在使用昨晚训练的离线快照，16:00 推给他的很可能仍是萨洛蒙广告——这个时间差正是实时系统要解决的核心问题。真正关键的并非「让所有东西都变快」，而是「到底哪些东西值得变快」：许多特征即使做到实时，对 AUC 的提升也微乎其微，选错方向只会白白浪费资源。</p>https://www.chenk.top/zh/recommendation-systems/14-%E8%B7%A8%E5%9F%9F%E6%8E%A8%E8%8D%90%E4%B8%8E%E5%86%B7%E5%90%AF%E5%8A%A8%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/Fri, 09 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/14-%E8%B7%A8%E5%9F%9F%E6%8E%A8%E8%8D%90%E4%B8%8E%E5%86%B7%E5%90%AF%E5%8A%A8%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/<p>Netflix 进入新国家时，接手的是几百万完全没有历史记录的用户和一个没有任何本地评分的内容库；亚马逊每次开拓新品类时也会遇到同样的问题——纯协同过滤（CF）在这种场景下完全失效。要让推荐系统在冷启动环境中发挥作用，需要组合多种技术：首次请求采用启发式 Bootstrap 方法生成初始推荐，积累少量交互后切换至元学习以快速适配用户，若存在相关源域则引入跨域迁移来复用外部知识，当模型初步具备置信度后再通过 Bandit 策略持续探索未知物品空间。这篇文章将详细拆解这套技术栈，每一层都直接对应到其来源的经典论文。</p>https://www.chenk.top/zh/recommendation-systems/13-%E5%85%AC%E5%B9%B3%E6%80%A7-%E5%8E%BB%E5%81%8F%E4%B8%8E%E5%8F%AF%E8%A7%A3%E9%87%8A%E6%80%A7/Tue, 06 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/13-%E5%85%AC%E5%B9%B3%E6%80%A7-%E5%8E%BB%E5%81%8F%E4%B8%8E%E5%8F%AF%E8%A7%A3%E9%87%8A%E6%80%A7/<p>用户打开 Spotify，反复听到的仍是那五十首歌；打开 Amazon，首页推荐的商品总离不开此前浏览过的；打开 YouTube，每条推荐都把人引向一个自己都不记得点进过的“兔子洞”。这些问题各有其名、成因与解法——本文将一一道来。</p>https://www.chenk.top/zh/recommendation-systems/12-%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E4%B8%8E%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F/Sat, 03 Jan 2026 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/12-%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E4%B8%8E%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F/<p>用户打开电影 App，输入：“想看类似《盗梦空间》的，但别太压抑。”传统推荐系统——无论是协同过滤、双塔 DNN，还是 DIN——在这句话里都找不到任何可用信号。它没有点赞数据可统计，没有共看关系图可遍历，也没有绑定用户 ID 的历史行为。系统必须先把这句话转换成 ID，才能继续处理。</p>https://www.chenk.top/zh/recommendation-systems/11-%E5%AF%B9%E6%AF%94%E5%AD%A6%E4%B9%A0%E4%B8%8E%E8%87%AA%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0/Wed, 31 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/11-%E5%AF%B9%E6%AF%94%E5%AD%A6%E4%B9%A0%E4%B8%8E%E8%87%AA%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0/<p>经典推荐系统只依赖一种信号：用户是否点击、观看或购买？这种信号固然宝贵，却也极其稀疏。大多数用户接触的商品不到总目录的 1%，大多数商品被触达的用户也不到 0.1%，而全新用户或商品则完全没有交互记录。直接用如此稀疏的标签优化模型，几乎注定会在热门头部过拟合，而在长尾部分毫无反应。</p>https://www.chenk.top/zh/recommendation-systems/10-%E6%B7%B1%E5%BA%A6%E5%85%B4%E8%B6%A3%E7%BD%91%E7%BB%9C%E4%B8%8E%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6/Sun, 28 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/10-%E6%B7%B1%E5%BA%A6%E5%85%B4%E8%B6%A3%E7%BD%91%E7%BB%9C%E4%B8%8E%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6/<p>好厨师不会给每位客人做同一道菜。她会观察你进门时的状态，留意你点的酒，再瞥一眼你盯着黑板菜单的眼神，然后才决定今晚的招牌菜该是牛排还是烩饭——过去的到访记录固然重要，但只有契合当下心情的那部分才会被真正考虑。</p>https://www.chenk.top/zh/recommendation-systems/09-%E5%A4%9A%E4%BB%BB%E5%8A%A1%E5%AD%A6%E4%B9%A0%E4%B8%8E%E5%A4%9A%E7%9B%AE%E6%A0%87%E4%BC%98%E5%8C%96/Thu, 25 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/09-%E5%A4%9A%E4%BB%BB%E5%8A%A1%E5%AD%A6%E4%B9%A0%E4%B8%8E%E5%A4%9A%E7%9B%AE%E6%A0%87%E4%BC%98%E5%8C%96/<p>刷淘宝时，你看到的每个商品图片背后，模型其实同时在解决好几个问题：你会不会点击、点击后会不会加购物车、加购后会不会付款、付款后会不会退货、买了之后会不会给好评。这些问题对应不同的 <strong>任务</strong>，虽然数据分布、稀疏程度和业务意义各不相同，但它们之间紧密相关——愿意点击的人更可能下单，下单的人更可能复购，而高 CTR 的吸睛缩略图反而可能降低用户观看时长。</p>https://www.chenk.top/zh/recommendation-systems/08-%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E5%A2%9E%E5%BC%BA%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F/Mon, 22 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/08-%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E5%A2%9E%E5%BC%BA%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F/<p>在流媒体平台搜索《蝙蝠侠：黑暗骑士》时，系统不仅记录你观看了这部电影，还知道克里斯蒂安·贝尔饰演了蝙蝠侠、克里斯托弗·诺兰是导演、这部电影属于蝙蝠侠三部曲，并且与许多烧脑动作片有相似的电影基因。这种丰富的语义网络就是 <strong>知识图谱（KG）</strong>——一个由实体（电影、演员、导演、类型）通过带类型的关系（<code>acted_in</code>、<code>directed_by</code>、<code>part_of</code>）连接而成的结构化网络。</p>https://www.chenk.top/zh/recommendation-systems/07-%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%B8%8E%E7%A4%BE%E4%BA%A4%E6%8E%A8%E8%8D%90/Fri, 19 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/07-%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%B8%8E%E7%A4%BE%E4%BA%A4%E6%8E%A8%E8%8D%90/<p>当 Netflix 决定下一步推荐什么内容时，它并不会孤立地看待你的观看历史。在幕后，其实存在一张复杂的关系网络：电影之间共享演员、用户之间口味重叠、评分信息在整个目录中层层传递。“图”这个视角并非比喻——每一个交互矩阵本质上就是一张图，而将其当作图来处理，能够解锁那些扁平化的用户/物品嵌入所无法表达的丰富信息。</p>https://www.chenk.top/zh/recommendation-systems/06-%E5%BA%8F%E5%88%97%E6%8E%A8%E8%8D%90%E4%B8%8E%E4%BC%9A%E8%AF%9D%E5%BB%BA%E6%A8%A1/Tue, 16 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/06-%E5%BA%8F%E5%88%97%E6%8E%A8%E8%8D%90%E4%B8%8E%E4%BC%9A%E8%AF%9D%E5%BB%BA%E6%A8%A1/<p>刷 TikTok 时，每次推荐都精准得让人有点毛骨悚然——不是因为它能读懂你的想法，而是因为它捕捉到了你刚刚观看内容的<strong>时间顺序</strong>。先看一个做饭视频，再看一个旅行 vlog，和反过来的顺序，传递的信息完全不同。这种顺序，正是序列推荐系统要捕捉的核心信号。</p>https://www.chenk.top/zh/recommendation-systems/05-embedding%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0/Sat, 13 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/05-embedding%E8%A1%A8%E7%A4%BA%E5%AD%A6%E4%B9%A0/<p>当 Netflix 向刚看完《蝙蝠侠：黑暗骑士》的用户推荐《盗梦空间》时，并非依赖人工编写的“如果看了诺兰的电影，就推荐诺兰其他作品”这类规则，而是依靠几何关系。这两部电影在模型从数十亿次观看行为中学到的 128 维 <strong>嵌入空间</strong> 中距离很近。几何取代了枚举：系统不再通过脆弱的相似性规则逐一比较一部电影与一万五千部其他电影，而是只问一个问题——<strong>这两个向量之间的距离是多少？</strong></p>https://www.chenk.top/zh/recommendation-systems/04-ctr%E9%A2%84%E4%BC%B0%E4%B8%8E%E7%82%B9%E5%87%BB%E7%8E%87%E5%BB%BA%E6%A8%A1/Wed, 10 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/04-ctr%E9%A2%84%E4%BC%B0%E4%B8%8E%E7%82%B9%E5%87%BB%E7%8E%87%E5%BB%BA%E6%A8%A1/<p>每次你刷信息流、点击商品推荐或观看推荐视频时，背后都有一个 CTR（点击率）模型在决定给你展示什么——这个模型要回答的问题看似简单：</p> <blockquote> <p><strong>“这个用户此时此刻点击这个物品的概率是多少？”</strong></p>https://www.chenk.top/zh/recommendation-systems/03-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80%E6%A8%A1%E5%9E%8B/Sun, 07 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/03-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80%E6%A8%A1%E5%9E%8B/<p>2016 年 6 月，Google 发表了一篇仅一页的论文，悄然重塑了推荐系统的格局。该文介绍了 <strong>Wide &amp; Deep Learning</strong>——当时正驱动着十亿用户规模的 Google Play 应用商店推荐。短短一年内，各大科技公司纷纷将深度模型投入生产；到 2019 年，行业标准已然转变：矩阵分解不再是核心系统，而仅作为基线方法。</p>https://www.chenk.top/zh/recommendation-systems/02-%E5%8D%8F%E5%90%8C%E8%BF%87%E6%BB%A4%E4%B8%8E%E7%9F%A9%E9%98%B5%E5%88%86%E8%A7%A3/Thu, 04 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/02-%E5%8D%8F%E5%90%8C%E8%BF%87%E6%BB%A4%E4%B8%8E%E7%9F%A9%E9%98%B5%E5%88%86%E8%A7%A3/<p>刚看完《肖申克的救赎》，想找一部类似感觉的电影。用类型筛选，结果会塞满一堆糟糕的监狱题材烂片；而协同过滤则换了个思路：它不关心电影本身，而是问了一个简单的问题——和你看过相同内容的人，还喜欢什么？</p>https://www.chenk.top/zh/recommendation-systems/01-%E5%85%A5%E9%97%A8%E4%B8%8E%E5%9F%BA%E7%A1%80%E6%A6%82%E5%BF%B5/Mon, 01 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/01-%E5%85%A5%E9%97%A8%E4%B8%8E%E5%9F%BA%E7%A1%80%E6%A6%82%E5%BF%B5/<p>打开 Netflix，首页推荐的剧集刚好是你想看的；刷 TikTok，下一条视频总能戳中你的兴趣点；周一早上打开 Spotify，&ldquo;Discover Weekly&rdquo; 推荐的 30 首陌生歌曲，有一半你都想收藏。</p>